Hadoop-HDFS

希昂的学习日记2024-04-12 23:55

资料来源：尚硅谷-Hadoop

一、HDFS 概述

1.1 HDFS 产出背景及定义

1.1.1 HDFS 产生背景

随着数据量越来越大，在一个服务器上存不下所有的数据，那么就分配到更多的服务器管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。

HDFS 只是分布式文件管理系统中的一种。

1.1.2 HDFS 定义

HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；

其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。

HDFS 的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。

1.2 HDFS 优缺点

1.2.1 HDFS优点

1）高容错性

数据自动保存多个副本。它通过增加副本的形式，提高容错性、可靠性。

某一个副本丢失以后，它可以自动恢复。

2）适合处理大数据

  • 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；
  • 文件规模：能够处理百万规模以上的文件数量，数量相当之大。

1.2.2 HDFS缺点

1）不适合低延时数据访问

比如毫秒级的存储数据，是做不到的。

2）无法高效的对大量小文件进行存储。

  • 存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的；
  • 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。

3）不支持并发写入、文件随机修改

  • 一个文件只能有一个写，不允许多个线程同时写；
  • 仅支持数据append（追加），不支持文件的随机修改。

1.3 HDFS 组成架构

1）NameNode（nn）：就是Master，它是一个主管、管理者

（1）管理HDFS的名称空间；

（2）配置副本策略；

（3）管理数据块（Block）映射信息；

（4）处理客户端读写请求。

2）DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作

（1）存储实际的数据块；

（2）执行数据块的读/写操作

3）Client：就是客户端

（1）文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传；

（2）与NameNode交互，获取文件的位置信息；

（3）与DataNode交互，读取或者写入数据；

（4）Client提供一些命令来管理HDFS，比如NameNode格式化；

（5）Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；

4）Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。

（1）辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；

（2）在紧急情况下，可辅助恢复NameNode。

1.4 HDFS 文件块大小

HDFS中的文件在物理上是分块存储(Block)，块的大小可以通过配置参数( dfs.blocksize)来规定。

默认大小在Hadoop1.x版本中是64M，2.x/3.x版本中是128M。

dfs.blocksize推荐设置逻辑：磁盘传输速度

  1. 如果寻址时间约为10ms，即查找到目标block的时间为10ms。
  2. 寻址时间为传输时间的1%时，则为最佳状态。因此，传输时间=10ms/0.01=1000ms=1s
  3. 目前磁盘的传输速率普遍为100MB/s
  4. block大小=1s*100MB/s=100MB

思考：为什么块的大小不能设置太小，也不能设置太大？

（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；

（2）如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。

总结：HDFS块的大小设置主要取决于磁盘传输速率。

二、HDFS 的 Shell 操作

2.1 基本语法

  • hadoop fs 具体命令
  • hdfs dfs 具体命令

两个是完全相同的。

2.2 命令大全

[xiang@hadoop102 hadoop-3.3.6]$ hadoop fs
Usage: hadoop fs [generic options]
    [-appendToFile [-n] <localsrc> ... <dst>]
    [-cat [-ignoreCrc] <src> ...]
    [-checksum [-v] <src> ...]
    [-chgrp [-R] GROUP PATH...]
    [-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
    [-chown [-R] [OWNER][:[GROUP]] PATH...]
    [-concat <target path> <src path> <src path> ...]
    [-copyFromLocal [-f] [-p] [-l] [-d] [-t <thread count>] [-q <thread pool queue size>] <localsrc> ... <dst>]
    [-copyToLocal [-f] [-p] [-crc] [-ignoreCrc] [-t <thread count>] [-q <thread pool queue size>] <src> ... <localdst>]
    [-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] [-e] [-s] <path> ...]
    [-cp [-f] [-p | -p[topax]] [-d] [-t <thread count>] [-q <thread pool queue size>] <src> ... <dst>]
    [-createSnapshot <snapshotDir> [<snapshotName>]]
    [-deleteSnapshot <snapshotDir> <snapshotName>]
    [-df [-h] [<path> ...]]
    [-du [-s] [-h] [-v] [-x] <path> ...]
    [-expunge [-immediate] [-fs <path>]]
    [-find <path> ... <expression> ...]
    [-get [-f] [-p] [-crc] [-ignoreCrc] [-t <thread count>] [-q <thread pool queue size>] <src> ... <localdst>]
    [-getfacl [-R] <path>]
    [-getfattr [-R] {-n name | -d} [-e en] <path>]
    [-getmerge [-nl] [-skip-empty-file] <src> <localdst>]
    [-head <file>]
    [-help [cmd ...]]
    [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [-e] [<path> ...]]
    [-mkdir [-p] <path> ...]
    [-moveFromLocal [-f] [-p] [-l] [-d] <localsrc> ... <dst>]
    [-moveToLocal <src> <localdst>]
    [-mv <src> ... <dst>]
    [-put [-f] [-p] [-l] [-d] [-t <thread count>] [-q <thread pool queue size>] <localsrc> ... <dst>]
    [-renameSnapshot <snapshotDir> <oldName> <newName>]
    [-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...]
    [-rmdir [--ignore-fail-on-non-empty] <dir> ...]
    [-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
    [-setfattr {-n name [-v value] | -x name} <path>]
    [-setrep [-R] [-w] <rep> <path> ...]
    [-stat [format] <path> ...]
    [-tail [-f] [-s <sleep interval>] <file>]
    [-test -[defswrz] <path>]
    [-text [-ignoreCrc] <src> ...]
    [-touch [-a] [-m] [-t TIMESTAMP (yyyyMMdd:HHmmss) ] [-c] <path> ...]
    [-touchz <path> ...]
    [-truncate [-w] <length> <path> ...]
    [-usage [cmd ...]]

Generic options supported are:
-conf <configuration file>        specify an application configuration file
-D <property=value>               define a value for a given property
-fs <file:///|hdfs://namenode:port> specify default filesystem URL to use, overrides 'fs.defaultFS' property from configurations.
-jt <local|resourcemanager:port>  specify a ResourceManager
-files <file1,...>                specify a comma-separated list of files to be copied to the map reduce cluster
-libjars <jar1,...>               specify a comma-separated list of jar files to be included in the classpath
-archives <archive1,...>          specify a comma-separated list of archives to be unarchived on the compute machines

The general command line syntax is:
command [genericOptions] [commandOptions]

2.3 常用命令实操

2.3.1 准备工作

1）启动 Hadoop 集群

sbin/start-dfs.sh

sbin/start-yarn.sh

2）-help：查看命令帮助

hadoop fs -help rm

3）创建/sanguo 文件夹

hadoop fs -mkdir /sanguo

2.3.2 上传

1）-moveFromLocal：从本地剪切粘贴到 HDFS

vi shuguo.txt
shuguo

hadoop fs -moveFromLocal ./shuguo.txt /sanguo

2）-copyFromLocal：从本地文件系统中拷贝文件到 HDFS 路径去

vi weiguo.txt
weiguo

hadoop fs -copyFromLocal weiguo.txt/sanguo\

3）-put：等同于 copyFromLocal，生产环境更习惯用 put

 vi wuguo.tx
 wuguo
 
 hadoop fs -put wuguo.txt /sanguo

4）-appendToFile：追加一个文件到已经存在的文件末尾

vi liubei.txt
liubei

hadoop fs -appendToFile liubei.txt /sanguo/shuguo.txt

2.3.3 下载

1）-copyToLocal：从 HDFS 拷贝到本地

hadoop fs -copyToLocal /sanguo/shuguo.txt ./

2）-get：等同于 copyToLocal，生产环境更习惯用 get

hadoop fs -get /sanguo/shuguo.txt ./

2.3.4 HDFS 直接操作

1）-ls: 显示目录信息

hadoop fs -ls /sanguo

2）-cat：显示文件内容

hadoop fs -cat /sanguo/shuguo.txt

3）-chgrp、-chmod、-chown：Linux 文件系统中的用法一样，修改文件所属权限

hadoop fs -chmod 666 /sanguo/shuguo.tx
hadoop fs -chown xiang:xiang /sanguo/shuguo.txt

4）-mkdir：创建路径

hadoop fs -mkdir /jinguo

5）-cp：从 HDFS 的一个路径拷贝到 HDFS 的另一个路径

hadoop fs -cp /sanguo/shuguo.txt /jinguo

6）-mv：在 HDFS 目录中移动文件

hadoop fs -mv /sanguo/wuguo.txt /jinguo
hadoop fs -mv /sanguo/weiguo.txt /jinguo

7）-tail：显示一个文件的末尾 1kb 的数据

hadoop fs -tail /jinguo/shuguo.txt

8）-rm：删除文件或文件夹

hadoop fs -rm /sanguo/shuguo.txt

9）-rm -r：递归删除目录及目录里面内容

hadoop fs -rm -r /sanguo

10）-du 统计文件夹的大小信息

hadoop fs -du -s -h /jinguo
  • 27 表示文件大小；
  • 81 表示 27*3 个副本
  • /jinguo 表示查看的目录

11）-setrep：设置 HDFS 中文件的副本数量

hadoop fs -setrep 10 /jinguo/shuguo.txt

这里设置的副本数只是记录在NameNode的元数据中，是否真的会有这么多副本，还得看DataNode的数量。

因为目前只有3台设备，最多也就3个副本，只有节点数的增加到10台时，副本数才能达到10。

三、HDFS 的 API 操作

3.1 客户端环境准备

1）下载winutils工具包： GitCode - 开发者的代码家园

2）配置 HADOOP_HOME 环境变量

3）配置 Path 环境变量。

注意：如果环境变量不起作用，可以重启电脑试试。验证 Hadoop 环境变量是否正常。

双击 winutils.exe，加载windows所需工具。

4）在 IDEA 中创建一个 Maven 工程 HdfsClientDemo，并导入相应的依赖坐标+日志添加

XML 复制代码 
<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>3.1.3</version>
    </dependency>
    <dependency>
        <groupId>junit</groupId>
        <artifactId>junit</artifactId>
        <version>4.12</version>
    </dependency>
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-log4j12</artifactId>
        <version>1.7.30</version>
    </dependency>
</dependencies>

在项目的 src/main/resources 目录下，新建一个文件，命名为"log4j.properties"，在文件中填入

XML 复制代码 
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

5）创建包名：com.xiang.hdfs

6）创建 HdfsClient 类

java 复制代码 
public class HdfsClient {
    @Test
    public void testMkdirs() throws IOException, URISyntaxException, InterruptedException {
        // 1 获取文件系统
        Configuration configuration = new Configuration();
        // FileSystem fs = FileSystem.get(new
        FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "xiang");
        // 2 创建目录
        fs.mkdirs(new Path("/xiyou/huaguoshan/"));
        // 3 关闭资源
        fs.close();
    }
}

7）执行程序

客户端去操作 HDFS 时，是有一个用户身份的。默认情况下，HDFS 客户端 API 会从采用 Windows 默认用户访问 HDFS，会报权限异常错误。所以在访问 HDFS 时，一定要配置用户。

3.2 HDFS 的 API 案例实操

3.2.1 HDFS 文件上传（测试参数优先级）

1）编写源代码

java 复制代码 
@Test
public void testCopyFromLocalFile() throws IOException, InterruptedException, URISyntaxException {
    // 1 获取文件系统
    Configuration configuration = new Configuration();
    configuration.set("dfs.replication", "2");
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "xiang");
    // 2 上传文件
    fs.copyFromLocalFile(new Path("L:\\hadoop\\sunwukong.txt"), new Path("/xiyou/huaguoshan"));
    // 3 关闭资源
    fs.close();
}

2）将 hdfs-site.xml 拷贝到项目的 resources 资源目录下

XML 复制代码 
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
</configuration>

3）参数优先级

参数优先级排序：（1）客户端代码中设置的值 >（2）ClassPath 下的用户自定义配置文件 >（3）然后是服务器的自定义配置（xxx-site.xml）>（4）服务器的默认配置（xxx-default.xml）

3.2.2 HDFS 文件下载

java 复制代码 
@Test
public void testCopyToLocalFile() throws IOException,
        InterruptedException, URISyntaxException{
    // 1 获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "xiang");

    // 2 执行下载操作
    // boolean delSrc 指是否将原文件删除
    // Path src 指要下载的文件路径
    // Path dst 指将文件下载到的路径
    // boolean useRawLocalFileSystem 是否开启文件校验
    fs.copyToLocalFile(false, new Path("/xiyou/huaguoshan/sunwukong.txt"), new Path("L:\\hadoop\\sunwukong2.txt"), true);

    // 3 关闭资源
    fs.close();
}

3.2.3 HDFS 文件更名和移动

java 复制代码 
@Test
public void testRename() throws IOException, InterruptedException, URISyntaxException {
    // 1 获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "atguigu");
    // 2 修改文件名称
    fs.rename(new Path("/xiyou/huaguoshan/sunwukong.txt"), new Path("/xiyou/huaguoshan/meihouwang.txt"));
    // 3 关闭资源
    fs.close();
}

3.2.4 HDFS 删除文件和目录

java 复制代码 
@Test
public void testDelete() throws IOException, InterruptedException, URISyntaxException{
    // 1 获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "xiang");
    // 2 执行删除
    fs.delete(new Path("/xiyou"), true);
    // 3 关闭资源
    fs.close();
}

3.2.5 HDFS 文件详情查看

查看文件名称、权限、长度、块信息

java 复制代码 
@Test
public void testListFiles() throws IOException, InterruptedException, URISyntaxException {
    // 1 获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "xiang");
    // 2 获取文件详情
    RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
    while (listFiles.hasNext()) {
        LocatedFileStatus fileStatus = listFiles.next();
        System.out.println("========" + fileStatus.getPath() + "=========");
        System.out.println(fileStatus.getPermission());
        System.out.println(fileStatus.getOwner());
        System.out.println(fileStatus.getGroup());
        System.out.println(fileStatus.getLen());
        System.out.println(fileStatus.getModificationTime());
        System.out.println(fileStatus.getReplication());
        System.out.println(fileStatus.getBlockSize());
        System.out.println(fileStatus.getPath().getName());
        // 获取块信息
        BlockLocation[] blockLocations = fileStatus.getBlockLocations();
        System.out.println(Arrays.toString(blockLocations));
    }
    // 3 关闭资源
    fs.close();
}

3.2.6 HDFS 文件和文件夹判断

java 复制代码 
@Test
public void testListStatus() throws IOException, InterruptedException, URISyntaxException {
    // 1 获取文件配置信息
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "xiang");
    // 2 判断是文件还是文件夹
    FileStatus[] listStatus = fs.listStatus(new Path("/"));
    for (FileStatus fileStatus : listStatus) {
        // 如果是文件
        if (fileStatus.isFile()) {
            System.out.println("f:" + fileStatus.getPath().getName());
        } else {
            System.out.println("d:" + fileStatus.getPath().getName());
        }
    }
    // 3 关闭资源
    fs.close();
}

四、HDFS 的读写流程

4.1 HDFS 写数据流程

4.1.1 剖析文件写入

HDFS的写数据流程

  1. 客户端通过 Distributed FileSystem 模块向 NameNode 请求上传文件，NameNode 检查目标文件是否已存在，父目录是否存在。
  2. NameNode 返回是否可以上传。
  3. 客户端请求第一个 Block 上传到哪几个 DataNode 服务器上。
  4. NameNode 返回 3 个 DataNode 节点，分别为 dn1、dn2、dn3。
  5. 客户端通过 FSDataOutputStream 模块请求 dn1 上传数据，dn1 收到请求会继续调用dn2，然后 dn2 调用 dn3，将这个通信管道建立完成。
  6. dn1、dn2、dn3 逐级应答客户端。
  7. 客户端开始往 dn1 上传第一个 Block（先从磁盘读取数据放到一个本地内存缓存），以 Packet 为单位，dn1 收到一个 Packet 就会传给 dn2，dn2 传给 dn3；dn1 每传一个 packet会放入一个应答队列等待应答。
  8. 当一个 Block 传输完成之后，客户端再次请求 NameNode 上传第二个 Block 的服务器。（重复执行 3-7 步）。

4.1.2 网络拓扑-节点距离计算

在 HDFS 写数据的过程中，NameNode会选择距离待上传数据最近距离的 DataNode 接收数据。那么这个最近距离怎么计算呢？

节点距离：两个节点到达最近的共同祖先的距离总和。

网络拓扑-节点距离计算

4.1.3 机架感知（副本存储节点选择）

机架感知说明

Apache Hadoop 3.3.6 -- HDFS Architecture

For the common case, when the replication factor is three, HDFS's placement policy is to put one replica on the local machine if the writer is on a datanode, otherwise on a random datanode in the same rack as that of the writer, another replica on a node in a different (remote) rack, and the last on a different node in the same remote rack. This policy cuts the inter-rack write traffic which generally improves write performance. The chance of rack failure is far less than that of node failure; this policy does not impact data reliability and availability guarantees. However, it does not reduce the aggregate network bandwidth used when reading data since a block is placed in only two unique racks rather than three. With this policy, the replicas of a block do not evenly distribute across the racks. Two replicas are on different nodes of one rack and the remaining replica is on a node of one of the other racks. This policy improves write performance without compromising data reliability or read performance.

副本节点选择，即：

第一个副本在Client所处的节点上。如果客户端在集群外，随机选一个。

第二个副本在另一个机架的随机一个节点。

第三个副本在第二个副本所在机架的随机节点

4.2 HDFS 读数据流程

  1. 客户端通过 DistributedFileSystem 向 NameNode 请求下载文件，NameNode 通过查询元数据，找到文件块所在的 DataNode 地址。
  2. 挑选一台 DataNode（就近原则，然后随机）服务器，请求读取数据。
  3. DataNode 开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。
  4. 客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。

五、NameNode 和 SecondaryNameNode

5.1 NN 和 2NN 工作机制

思考：NameNode 中的元数据是存储在哪里的？

一、如果存储在 NameNode 节点的磁盘中，因为经常需要进行随机访问，还有响应客户请求，必然是效率过低。

因此，元数据需要存放在内存中。

二、但如果只存在内存中，一旦断电，元数据丢失，整个集群就无法工作了。

因此产生在磁盘中备份元数据的FsImage。

三、当在内存中的元数据更新时，如果同时更新 FsImage，就会导致效率过低，但如果不更新，就会发生一致性问题，一旦 NameNode 节点断电，就会产生数据丢失。

因此，引入 Edits 文件（只进行追加操作，效率很高）。每当元数据有更新或者添加元数据时，修改内存中的元数据并追加到 Edits 中。一旦 NameNode 节点断电，可以通过 FsImage 和 Edits 的合并，合成元数据。

四、但如果长时间添加数据到 Edits 中，会导致该文件数据过大，效率降低，而且一旦断电，恢复元数据需要的时间过长。

因此，需要定期进行 FsImage 和 Edits 的合并

五、如果这个操作由NameNode节点完成，又会效率过低。

因此，引入一个新的节点SecondaryNamenode，专门用于 FsImage 和 Edits 的合并

1）第一阶段：NameNode 启动

（1）第一次启动 NameNode 格式化后，创建 Fsimage 和 Edits 文件。如果不是第一次启 动，直接加载编辑日志和镜像文件到内存。

（2）客户端对元数据进行增删改的请求。

（3）NameNode 记录操作日志，更新滚动日志。

（4）NameNode 在内存中对元数据进行增删改。

2）第二阶段：Secondary NameNode 工作

（1）Secondary NameNode 询问 NameNode 是否需要 CheckPoint。直接带回 NameNode是否检查结果。

（2）Secondary NameNode 请求执行 CheckPoint。

（3）NameNode 滚动正在写的 Edits 日志。

（4）将滚动前的编辑日志和镜像文件拷贝到 Secondary NameNode。

（5）Secondary NameNode 加载编辑日志和镜像文件到内存，并合并。

（6）生成新的镜像文件 fsimage.chkpoint。

（7）拷贝 fsimage.chkpoint 到 NameNode。

（8）NameNode 将 fsimage.chkpoint 重新命名成 fsimage。

5.2 Fsimage 和 Edits 解析

NameNode被格式化之后，将在/opt/module/hadoop-3.3.6/data/dfs/name/current目录中产生如下文件

  • fsimage_0000000000000000000
  • fsimage_0000000000000000000.md5
  • seen_txid
  • VERSION
  1. Fsimage文件：HDFS文件系统元数据的一个永久性的检查点，其中包含HDFS文件系统的所有目录和文件inode的序列化信息。
  2. Edits文件：存放HDFS文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到Edits文件中。
  3. seen_txid文件：保存的是一个数字，就是最后一个edits_的数字
  4. 每次NameNode启动的时候都会将Fsimage文件读入内存，加载Edits里面的更新操作，保证内存中的元数据信息是最新的、同步的，可以看成NameNode启动的时候就将Fsimage和Edits文件进行了合并。

5.2.1 oiv 查看 Fsimage 文件

（1）查看 oiv 和 oev 命令

java 复制代码 
hdfs

oiv apply the offline fsimage viewer to an fsimage
oev apply the offline edits viewer to an edits file

（2）基本语法

java 复制代码 
hdfs oiv -p 文件类型 -i 镜像文件 -o 转换后文件输出路径

（3）案例实操

java 复制代码 
cd /opt/module/hadoop-3.3.6/data/dfs/name/current

hdfs oiv -p XML -i fsimage_0000000000000000189 -o /opt/module/fsimage.xml

fsimage.xml部分显示结果如下:

XML 复制代码 
<inode>
    <id>16433</id>
    <type>FILE</type>
    <name>wuguo.txt</name>
    <replication>3</replication>
    <mtime>1708012591072</mtime>
    <atime>1708012590924</atime>
    <preferredBlockSize>134217728</preferredBlockSize>
    <permission>xiang:supergroup:0644</permission>
    <blocks>
        <block>
            <id>1073741841</id>
            <genstamp>1017</genstamp>
            <numBytes>6</numBytes>
        </block>
    </blocks>
    <storagePolicyId>0</storagePolicyId>
</inode>
<inode>
    <id>16434</id>
    <type>DIRECTORY</type>
    <name>jinguo</name>
    <mtime>1708013296242</mtime>
    <permission>xiang:supergroup:0755</permission>
    <nsquota>-1</nsquota>
    <dsquota>-1</dsquota>
</inode>
<inode>
    <id>16435</id>
    <type>FILE</type>
    <name>shuguo.txt</name>
    <replication>10</replication>
    <mtime>1708013255711</mtime>
    <atime>1708013255570</atime>
    <preferredBlockSize>134217728</preferredBlockSize>
    <permission>xiang:supergroup:0644</permission>
    <blocks>
        <block>
            <id>1073741842</id>
            <genstamp>1019</genstamp>
            <numBytes>14</numBytes>
        </block>
    </blocks>
    <storagePolicyId>0</storagePolicyId>
</inode>

思考：可以看出，Fsimage 中没有记录块所对应 DataNode，为什么？

在集群启动后，要求 DataNode 上报数据块信息，并间隔一段时间后再次上报。

5.2.2 oev 查看 Edits 文件

（1）基本语法

XML 复制代码 
hdfs oev -p 文件类型 -i 编辑日志 -o 转换后文件输出路径

（2）案例实操

XML 复制代码 
cd /opt/module/hadoop-3.3.6/data/dfs/name/current

hdfs oev -p XML -i edits_0000000000000000190-0000000000000000214 -o /opt/module/edits.xml

edits.xml部分显示结果如下:

XML 复制代码 
<RECORD>
    <OPCODE>OP_ALLOCATE_BLOCK_ID</OPCODE>
    <DATA>
        <TXID>194</TXID>
        <BLOCK_ID>1073741843</BLOCK_ID>
    </DATA>
</RECORD>
<RECORD>
    <OPCODE>OP_SET_GENSTAMP_V2</OPCODE>
    <DATA>
        <TXID>195</TXID>
        <GENSTAMPV2>1020</GENSTAMPV2>
    </DATA>
</RECORD>
<RECORD>
    <OPCODE>OP_ADD_BLOCK</OPCODE>
    <DATA>
        <TXID>196</TXID>
        <PATH>/xiyou/huaguoshan/sunwukong.txt</PATH>
        <BLOCK>
            <BLOCK_ID>1073741843</BLOCK_ID>
            <NUM_BYTES>0</NUM_BYTES>
            <GENSTAMP>1020</GENSTAMP>
        </BLOCK>
        <RPC_CLIENTID/>
        <RPC_CALLID>-2</RPC_CALLID>
    </DATA>
</RECORD>
<RECORD>
    <OPCODE>OP_ADD</OPCODE>
    <DATA>
        <TXID>197</TXID>
        <LENGTH>0</LENGTH>
        <INODEID>16439</INODEID>
        <PATH>/xiyou/huaguoshan/sunwukong.txt</PATH>
        <REPLICATION>2</REPLICATION>
        <MTIME>1708017510113</MTIME>
        <ATIME>1708017510113</ATIME>
        <BLOCKSIZE>134217728</BLOCKSIZE>
        <CLIENT_NAME>DFSClient_NONMAPREDUCE_657804169_1</CLIENT_NAME>
        <CLIENT_MACHINE>192.168.10.1</CLIENT_MACHINE>
        <OVERWRITE>true</OVERWRITE>
        <PERMISSION_STATUS>
            <USERNAME>xiang</USERNAME>
            <GROUPNAME>supergroup</GROUPNAME>
            <MODE>420</MODE>
        </PERMISSION_STATUS>
        <ERASURE_CODING_POLICY_ID>0</ERASURE_CODING_POLICY_ID>
        <RPC_CLIENTID>675e9ac2-6365-43b3-a923-c6e4a8a316fb</RPC_CLIENTID>
        <RPC_CALLID>2</RPC_CALLID>
    </DATA>
</RECORD>

5.3 CheckPoint 时间设置

1）通常情况下，SecondaryNameNode 每隔一小时执行一次。

[hdfs-default.xml]

XML 复制代码 
<property>
    <name>dfs.namenode.checkpoint.period</name>
    <value>3600s</value>
</property>

2）一分钟检查一次操作次数，当操作次数达到 1 百万时，SecondaryNameNode 执行一次。

XML 复制代码 
<property>
    <name>dfs.namenode.checkpoint.txns</name>
    <value>1000000</value>
    <description>操作动作次数</description>
</property>
<property>
    <name>dfs.namenode.checkpoint.check.period</name>
    <value>60s</value>
    <description> 1 分钟检查一次操作次数</description>
</property>

六、 DataNode

6.1 DataNode 工作机制

（1）一个数据块在 DataNode 上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。

（2）DataNode 启动后向 NameNode 注册，通过后，周期性（6 小时）的向 NameNode 上报所有的块信息。

DN 向 NN 汇报当前解读信息的时间间隔，默认 6 小时；

XML 复制代码 
<property>
    <name>dfs.blockreport.intervalMsec</name>
    <value>21600000</value>
    <description>Determines block reporting interval in
 milliseconds.</description>
</property>

DN 扫描自己节点块信息列表的时间，默认 6 小时

XML 复制代码 
<property>
    <name>dfs.datanode.directoryscan.interval</name>
    <value>21600s</value>
    <description>Interval in seconds for Datanode to scan data directories and reconcile the difference between blocks in memory and on the disk. Support multiple time unit suffix(case insensitive), as described in dfs.heartbeat.interval.
</description>
</property>

（3）心跳是每 3 秒一次，心跳返回结果带有 NameNode 给该 DataNode 的命令如复制块数据到另一台机器，或删除某个数据块。如果超过 10 分钟没有收到某个 DataNode 的心跳，则认为该节点不可用。

（4）集群运行中可以安全加入和退出一些机器。

6.2 数据完整性

思考：如果电脑磁盘里面存储的数据是控制高铁信号灯的红灯信号（1）和绿灯信号（0），但是存储该数据的磁盘坏了，一直显示是绿灯，是否很危险？

同理 DataNode 节点上的数据损坏了，却没有发现，是否也很危险，那么如何解决呢？

如下是 DataNode 节点保证数据完整性的方法。

  1. 当 DataNode 读取 Block 的时候，它会计算 CheckSum。
  2. 如果计算后的 CheckSum，与 Block 创建时值不一样，说明 Block 已经损坏。
  3. Client 读取其他 DataNode 上的 Block。
  4. 常见的校验算法 crc（32），md5（128），sha1（160）
  5. DataNode 在其文件创建后周期验证 CheckSum。

6.3 掉线时限参数设置

  1. DataNode进程死亡或者网络故障造成DataNode无法与NameNode通信
  2. NameNode不会立即把该节点判定为死亡，要经过一段时间，这段时间暂称作超时时长。
  3. HDFS默认的超时时长为10分钟+30秒。
  4. 如果定义超时时间为TimeOut，则超时时长的计算公式为：TimeOut = 2 * dfs.namenode.heartbeat.recheck-interval + 10 * dfs.heartbeat.interval。而默认的dfs.namenode.heartbeat.recheck-interval 大小为5分钟，dfs.heartbeat.interval默认为3秒。

需要注意的是 hdfs-site.xml 配置文件中的 heartbeat.recheck.interval 的单位为毫秒，dfs.heartbeat.interval 的单位为秒。

XML 复制代码 
<property>
    <name>dfs.namenode.heartbeat.recheck-interval</name>
    <value>300000</value>
</property>
<property>
    <name>dfs.heartbeat.interval</name>
    <value>3</value>
</property>
相关推荐
武子康28 分钟前
大数据-258 离线数仓 - Griffin架构 配置安装 Livy 架构设计 解压配置 Hadoop Hive
java·大数据·数据仓库·hive·hadoop·架构
lucky_syq2 小时前
Flume和Kafka的区别？
大数据·kafka·flume
AI_NEW_COME2 小时前
构建全方位大健康零售帮助中心：提升服务与体验
大数据·人工智能
it噩梦3 小时前
es 中 terms set 使用
大数据·elasticsearch
中科岩创3 小时前
中科岩创边坡自动化监测解决方案
大数据·网络·物联网
DolphinScheduler社区4 小时前
作业帮基于 Apache DolphinScheduler 3_0_0 的缺陷修复与优化
大数据
SeaTunnel4 小时前
京东科技基于 Apache SeaTunnel 复杂场景适配 #数据集成
大数据
喝醉酒的小白5 小时前
Elasticsearch 配置文件
大数据·elasticsearch·搜索引擎
一只敲代码的猪5 小时前
Llama 3 模型系列解析（一）
大数据·python·llama
智慧化智能化数字化方案6 小时前
深入解读数据资产化实践指南（2024年）
大数据·人工智能·数据资产管理·数据资产入表·数据资产化实践指南
热门推荐
0119个Web前端交互式3D JavaScript框架和库02优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间03玄机平台应急响应—webshell查杀04RAG 实践- Ollama+RagFlow 部署本地知识库05基于大语言模型（LLM）的合成数据生成、策展和评估的综述06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07【一文读懂】NTN（非地面网络）技术介绍08HCIA-datacom数通题库和录播视频资料09Docker 夺命连环 15 问10ZZ038 物联网应用与服务赛题第J套